实习踩过的那些坑1：数据抽取

检验

jupyter notebook可以通过TAB+SHIFT键，放句首是减少缩进的作用，放中间能看数据类型

无意间试探出来的嘿嘿嘿

常用表操作

信息读取

import pandas as pd
import codecs # 中文乱码
# 字段数据类型不一样，需要完善规范化
test = pd.read_csv(r"检验-精简.csv",encoding='gbk', dtype={"patient_SN": str})

表备份

参考：https://blog.csdn.net/cxj540947672/article/details/107539572

深复制

birthtime11 = birthtime1.copy(deep=True)

创建操作

遍历每一行

参考：https://blog.csdn.net/Jarry_cm/article/details/99683788

for row in birthtime1.itertuples():

增加一行

参考：https://blog.csdn.net/weixin_43938251/article/details/108256073

series = pd.Series({"x":1,"y":2},name="a")
data = data.append(series)

创建空列

在 Pandas DataFrame 中创建一个空列
参考：https://www.zhihu.com/question/505115458
第四种参考：
https://freexyz.cn/dev/23539.html

df["Empty_1"] = ""
df["Empty_2"] = np.nan
df['Empty_3'] = pd.Series() 
df['Empty_4'] = None

它在 df 中创建三个空列。为 Empty_1 列分配空字符串，为 Empty_2 分配 NaN 值，为 Empty_3 分配一个空 Pandas Series，这也将导致整个 Empty_3 的值为 NaN。

Date           Income  Expenses Empty_1  Empty_2  Empty_3
0  April-20      10         3              NaN      NaN
1  April-21      20         8              NaN      NaN
2  April-22      10         4              NaN      NaN
3  April-23      15         5              NaN      NaN
4  April-24      10         6              NaN      NaN
5  April-25      12        10              NaN      NaN

中间遇到报错

ValueError: setting an array element with a sequence.
原因：
1，数组拼接的时候行或者列个数不对齐；
2，数据类型不对，如object，有的int，float，有的int32，int64

打印np.nan的类型，会发现np.nan是float类型的。
参考：https://freexyz.cn/dev/23539.html
改为

df['Empty_4'] = None

问题得以解决

赋值

给某列满足条件的行赋值

参考：https://blog.csdn.net/snail82/article/details/104584145
对DataFrame某列部分行成功赋值

df.loc[df['a']==2,'b'] = 10
print(df)

一列拆成两列

DataFrame一列拆成多列以及一行拆成多行
参考：https://blog.csdn.net/Asher117/article/details/84346073

将City列转成多列（以‘|’为分隔符）
这里使用匿名函数lambda，来将City列拆成两列。

df1["PATIENT_ID"] = df1["就诊标识（医渡云计算）"].map(lambda x:x.split('|')[2])
df1["VISIT"] = df1["就诊标识（医渡云计算）"].map(lambda x:x.split('|')[3])

list一般是浅拷贝，需要深复制

删除操作

删除行

参考：https://blog.csdn.net/m0_52829559/article/details/119063896

# 删除多个索引，1和2的行
dftest = df.drop([1,2],axis = 0)

删除指定列

df.drop('columns',axis=1,inplace=True) #改变原始数据

删除指定列为缺失值的那一行

（1）如果字段是float

time1.drop(time1[np.isnan(time1['检验标本采样时间'])].index, inplace=True)

（2）如果字段是str

time1 = time1[time1['检验标本采样时间'].notna()]

# print(time1)

（3）删除缺失值“失败”
（后来发现是删除后又赋值了，无语）

参考：https://zhuanlan.zhihu.com/p/136281253
因为这里的nan实际是一个空字符串，.dropna在使用时并不会将空字符串当作缺失值处理。

方法1（推荐）

#用replace将字符串nan替代为真正的缺失值np.nan，再进行.dropna
salesDf.replace("nan",np.nan,inplace=True)
salesDf=salesDf.dropna(subset=["销售时间","社保卡号"],how="any")

方法2

#用.isin筛选出任意一列为nan值的记录，再用～筛选出不在前面这些记录中的记录
salesDf=salesDf[~salesDf.isin (nan).any(axis=1)]

groupby后 仅保留指定列最小值所在行

参考：https://www.codenong.com/23394476/

# 按diff升序排序，然后获取每个item组中的第一个元素
time4 = time3.sort_values("diff",ascending = True).groupby(["patient_SN","检验子项名称"], as_index=False).head(1)

保留最大最小列

参考：https://blog.csdn.net/KIKI_ZSH/article/details/124548025

data1 = data.groupby('course').apply(lambda t: t[(t['grade']==t['grade'].min()) ^ (t['grade']==t['grade'].max())])

groupby字符串拼接

利用groupby分组后，对字符串字段进行合并拼接
参考：https://blog.csdn.net/d1240673769/article/details/106038811
https://blog.csdn.net/BUNNYGG/article/details/121485791

如，将下面表格中的内容，对skill字段按照id进行分组合并

data=df.groupby('id')['skill'].apply(lambda x:x.str.cat(sep=':')).reset_index()

参考：https://blog.csdn.net/weixin_40161254/article/details/104796953

df.groupby('user_id')['practice_name'].apply(list).reset_index()

这个链接很有意思
https://blog.csdn.net/qq_41706810/article/details/106060905

多表连接

参考：https://blog.csdn.net/lost0910/article/details/104814860

连接在一起，主要分为两类：

1）第一类：将两个pandas表根据一个或者多个键（列）值进行连接。这种操作类似关系数据库中sql语句的连接操作。这一类操作在使用pandas的merge、join操作来实现。

birthtime2 = pd.merge(birthtime1,birthtime0, on='patient_SN',how='inner')

这里还有其他一些可选项，比如left, right, outer

2）第二类：将两个pandas表在轴向上（水平、或者垂直方向上）进行粘合或者堆叠。这一类操作在使用pandas的concat、append操作来实现。

单列连接

time2 = pd.merge(testdata,birthtime, on='patient_SN')

多列连接

参考：https://blog.csdn.net/fightingoyo/article/details/106573221

birthtime0 = pd.merge(df1,birthtime, on=['PATIENT_ID',"VISIT"])

两表拼接

表1：列就诊标识（医渡云计算）、分娩时间
表2：列就诊标识（医渡云计算）、手术开始时间

想要效果：如果第一个表中没有记录，则增加第二个表的时间

# 合并检验的手术时间和分娩时间
jiuzhen_identity = list(set(birthtime0['就诊标识（医渡云计算）'])) # 分娩时间的保存就诊标识
birthtime11 = birthtime1[~birthtime1['就诊标识（医渡云计算）'].isin(jiuzhen_identity)] # 仅保留手术中不包含分娩SN

列重命名

#inplace=True是在原df上直接修改

birthtime1.rename(columns={'手术开始时间':'分娩时间'}, inplace = True)

通过concat合并两个表

birthtime12 = pd.concat([birthtime11,birthtime0])# 通过concat合并两个表

先投影再连接

1、MemoryError: Unable to allocate 16.9 GiB for an array with shape (2266018830,) and data type int64
表全连接时内存不够了，可以先表投影，然后连接时分列、行进行表连接

正则表达式

转义字符

python-pandas dataframe正则筛选包含某字符串的列数据str.contains()

str.contains()不直接支持对象里边的括号,因为括号是正则表达式之一。

如果想匹配元字符本身或者正则中的一些特殊字符，使用\转义。例如匹配*这个字符则使用*，匹配\这个字符，使用\。
需要转义的字符：$, (, ), *, +, ., [, ], ?, , ^, {, }, |

?< 表示以其开头

写抽取的例子

一个表达式对应一个例子

split()函数：多个分隔符

参考：https://blog.csdn.net/zhuzuwei/article/details/78886662
re模块的split()函数可以使用多个分隔符对句子进行分割，其中不同的分隔符要用 “|” 隔开。

import re
 
re.split('。|！|？',text)
Out[67]: ['你好', '吃早饭了吗', '再见', '']

list查找包含所有某个字符串的项，并保存到一个新的列表

参考：https://blog.csdn.net/weixin_41955821/article/details/110457849

data=['aaaaaFFa','ccccccc','bbbbFF']
l = [s for s in data if 'FF' in s]
l

输出：

['aaaaaFFa', 'bbbbFF']

将时间标准化为时间字段

time1['检验标本采样时间'] = time1['检验标本采样时间'].apply(lambda x: datetime.strptime(str(x),'%Y-%m-%d %H:%M:%S'))
time2['检验标本采样时间'] = time2['检验标本采样时间'].apply(lambda x: datetime.strptime(str(x),'%Y/%m/%d %H:%M'))
time1['分娩时间'] = time1['分娩时间'].apply(lambda x: datetime.strptime(x,'%Y年%m月%d日 %H时%M分'))

报错：
ValueError: time data ‘2021/2/18’ does not match format ‘%Y/%m/%d %H:%M’
解决：

time2['检验标本采样时间'] = pd.to_datetime(time2['检验标本采样时间'], infer_datetime_format=True)

多种时间表达式的匹配

① 先做个正则表达式匹配，把年月日换成-

chuyuan['分娩时间'] = chuyuan['分娩时间'].apply(lambda x:re.sub("年|月|日",'-',x))

②然后强制转换为时间格式

chuyuan['分娩时间'] = pd.to_datetime(chuyuan['分娩时间'], infer_datetime_format=True)

报错

1

shunchan = shunchan_flag1["就诊标识（医渡云计算）"]+shunchan_flag2["就诊标识（医渡云计算）"])

发现数据比预期少很多
list1+list2后，数据更少，存在问题
而后改为extend

shunchan = shunchan_flag1["就诊标识（医渡云计算）"].extend(shunchan_flag2["就诊标识（医渡云计算）"])

报错

‘Series’ object has no attribute ‘extend’

因此’Series’ 拼接
参考：https://blog.csdn.net/weixin_43387909/article/details/116596095

df_data = pd.concat([df.a,df.b,df.c], axis=1)

备注：
1、concat中括号里得内容必须是series格式的，如果想要拼接的是list可以将list转为series（pd.Series(list1)），如果是纵向拼接，list可以直接用+。
2、axis=1表示横向拼接，即不增加长度，只增加维度；
axis=0表示纵向拼接，即不增加维度，只增加长度；

2

报错：invalid syntax

lambda函数必须具有返回值，如果你的if语句不为true，则没有返回值。因此，你将必须添加else语句

添加else语句返回空值